CN111820902B - 一种基于活动度特征的踝关节韧带损伤智能决策系统 - Google Patents
一种基于活动度特征的踝关节韧带损伤智能决策系统 Download PDFInfo
- Publication number
- CN111820902B CN111820902B CN202010606588.0A CN202010606588A CN111820902B CN 111820902 B CN111820902 B CN 111820902B CN 202010606588 A CN202010606588 A CN 202010606588A CN 111820902 B CN111820902 B CN 111820902B
- Authority
- CN
- China
- Prior art keywords
- ankle
- group
- subtalar
- joint
- intelligent decision
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
- A61B5/1128—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using image analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Dentistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种基于活动度特征的踝关节韧带损伤智能决策系统,属于智能辅助决策技术领域。所述系统包括:采集模块,用于采集损伤组与对照组中受试者的足踝部运动信息;构建模块,用于分别构建损伤组与对照组的距下关节活动度特征空间;生成模块,用于构建深度卷积生成式对抗网络,利用所述距下关节活动度特征空间中真实的距下关节活动度特征,扩展生成损伤组与对照组的距下关节活动度特征;决策模块,用于构建长短时记忆网络,利用损伤组与对照组真实的活动度特征与扩展生成的活动度特征组成训练集对长短时记忆网络进行训练,得到踝关节韧带损伤智能决策模型。采用本发明,能够实现小样本采集条件下的踝关节韧带损伤智能、精准的决策。
Description
技术领域
本发明涉及智能辅助决策技术领域,特别涉及是指一种基于活动度特征的踝关节韧带损伤智能决策系统。
背景技术
较髋关节、膝关节而言,踝关节面最小,且承受着人体几乎全部的体重,作为人类行走、跑步、弹跳等高频动作的重要负重支点,踝关节无疑是人体最易受伤的关节。据不完全统计,我国每年有超过1,000,000新增踝关节韧带损伤患者。然而,国内能够为踝关节韧带损伤患者提供专业诊疗的医疗机构资源紧张,且城乡分配不均。
如是现状,突显出传统临床诊疗在时间、空间、标准化,以及精准性水平上的局限性。人体运动学参数精准检测技术的日臻成熟,为距骨与跟骨之间韧带断裂等踝关节韧带损伤的智能决策提供了客观、有效的数据支撑,同时,也为损伤的智能辅助决策系统构建提供了可能。
目前,尽管医学领域已对足踝运动损伤的发病机制与康复方法进行了广泛的研究,但受限于临床领域经验为主导的“描述医学”方式,尚未形成量化、精准的“解释医学”智能决策模式。
发明内容
本发明要解决的技术问题是提供一种基于活动度特征的踝关节韧带损伤智能决策系统,以解决现有的踝关节韧带损伤决策中存在的智能、精准的决策系统短缺的问题。
本发明实施例提供了一种基于活动度特征的踝关节韧带损伤智能决策系统,该系统包括:
采集模块,用于采集损伤组与对照组中受试者的足踝部运动信息;
构建模块,用于根据采集的足踝部运动信息,分别构建损伤组与对照组的距下关节活动度特征空间;
生成模块,用于构建深度卷积生成式对抗网络,利用所述距下关节活动度特征空间中真实的距下关节活动度特征,扩展生成损伤组与对照组的距下关节活动度特征;
决策模块,用于构建长短时记忆网络,利用损伤组与对照组真实的距下关节活动度特征与扩展生成的距下关节活动度特征组成训练集对长短时记忆网络进行训练,得到踝关节韧带损伤智能决策模型。
进一步地,所述采集模块,具体用于基于海德堡足部测量方法,建立覆盖膝关节、踝关节、足部的足踝部运动测量模型;基于所述足踝部运动测量模型,通过光学运动捕捉系统采集损伤组与对照组中受试者在自然行走过程中的足踝部运动信息。
进一步地,所述膝关节的骨性标志点包括:沿膝关节弯曲轴最大距离方向的膝关节内侧和外侧标记点;
踝关节的骨性标志点包括:沿踝骨转动轴最大距离方向的内踝标记点和沿踝骨转动轴最大距离方向的外踝标记点;
足部的骨性标志点包括:跟骨内、外、背侧最凸出位置标记点,从矢状面观察轴线与地面约成45°的舟骨标记点,第1、5跖骨近端标记点和远端标记点,其中,1指大拇趾,5指小趾。
进一步地,所述系统还包括:
预处理模块,用于对采集模块采集到的足踝部运动信息进行预处理;其中,
所述预处理模块,具体用于对采集模块采集的足踝部运动信息进行低通数字滤波;依据人体步态的共性特征及受试者个体实际运动情况,将滤波处理后的足踝部运动信息按照跟骨背侧标记点空间坐标位置进行步态周期自动分割;将每个步态周期内的采样点个数进行标准化处理。
进一步地,所述构建模块,用于根据预处理后的足踝部运动信息,提取针对踝关节韧带损伤的距下关节活动度特征,分别构建损伤组与对照组的距下关节活动度特征空间。
进一步地,提取的距下关节活动度特征包括:胫-距骨屈曲角度、前足-跟外展角度、足部内侧拱角、足部外侧拱角、距下旋转角度、前足-踝旋外角度、内-外足中旋角和踝-跟伸缩距离。
进一步地,所述生成模块,具体用于将构建的距下关节活动度特征空间中真实的距下关节活动度特征进行拼接,形成多维特征矩阵;构建活动度特征生成器,将随机噪声进行拟合初步生成距下关节活动度特征;构建活动度特征判别器,将初步生成的距下关节活动活动度特征与多维特征矩阵中真实的距下关节活动活动度特征进行判别比较,计算其损失函数,反馈给生成器;根据反馈结果优化生成器权重,将初步生成的距下关节活动度特征进行进一步拟合并再次判别,反复迭代,直到生成符合判别器要求的损伤组与对照组的距下关节活动度特征为止。
进一步地,所述决策模块,具体用于将损伤组与对照组真实的距下关节活动度特征与生成的符合判别器要求的距下关节活动度特征进行组合,形成踝关节韧带损伤智能决策模型的训练集;构建长短时记忆网络,将训练集输入到构建的长短时记忆网络中,学习从距下关节活动度特征到损伤决策的映射关系;优化长短时记忆网络的参数,衡量输出结果与真实结果之间的差距并再次学习,反复迭代,直到输出符合其损失函数要求的判别结果为止;
其中,所述参数包括:训练次数、批大小、长短时记忆网络层数和隐藏层中节点的数目。
进一步地,所述系统还包括:
验证模块,用于验证模块,用于构建受试者工作特征曲线,通过受试者工作特征曲线下面积确定决策的正确率。
进一步地,所述验证模块,具体用于构建踝关节韧带损伤智能决策模型的混淆矩阵;根据构建的混淆矩阵,计算踝关节韧带损伤智能决策方法的敏感性和特异性,以敏感性为纵坐标、错误命中率为横坐标,绘制受试者工作特征曲线,通过受试者工作特征曲线下面积确定决策的正确率,其中,错误命中率=1-特异性。
本发明实施例提供的技术方案带来的有益效果至少包括:
本发明实施例中,通过采集模块采集损伤组与对照组中受试者的足踝部运动信息;构建模块根据采集的足踝部运动信息,分别构建损伤组与对照组的距下关节活动度特征空间;生成模块,用于构建深度卷积生成式对抗网络,利用所述距下关节活动度特征空间中真实的距下关节活动度特征,扩展生成损伤组与对照组的距下关节活动度特征;决策模块,用于构建长短时记忆网络,利用损伤组与对照组真实的距下关节活动度特征与扩展生成的距下关节活动度特征组成训练集对长短时记忆网络进行训练,得到踝关节韧带损伤智能决策模型。这样,在采集到的小样本受试者足踝部运动信息的基础上,利用深度卷积生成式对抗网络扩展生成符合智能决策系统多样性需求的损伤组与对照组的距下关节活动度特征,并以生成特征与小样本真实特征为训练集,生成基于长短时记忆网络的踝关节韧带损伤智能决策模型,实现小样本采集条件下的踝关节韧带损伤智能、精准的决策,以解决现有技术中存在的踝关节韧带损伤决策中存在的智能、精准的决策系统短缺的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于活动度特征的踝关节韧带损伤智能决策系统的结构示意图;
图2为本发明实施例提供的基于活动度特征的踝关节韧带损伤智能决策系统的工作流程示意图;
图3为本发明实施例提供的步态周期分割原理示意图;
图4为本发明实施例提供的距下关节活动度特征测量示意图;
图5为本发明实施例提供的深度卷积生成式对抗网络及长短时记忆网络的结构示意图;
图6为本发明实施例提供的受试者工作特征曲线示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
如图1所示,本发明实施例提供了一种基于活动度特征的踝关节韧带损伤智能决策系统,包括:
采集模块11,用于采集损伤组与对照组中受试者的足踝部运动信息;
构建模块12,用于根据采集的足踝部运动信息,分别构建损伤组与对照组的距下关节活动度特征空间;
生成模块13,用于构建深度卷积生成式对抗网络(DCGAN),利用所述距下关节活动度特征空间中真实的距下关节活动度特征,扩展生成损伤组与对照组的距下关节活动度特征;
决策模块14,用于构建长短时记忆网络,利用损伤组与对照组真实的距下关节活动度特征与扩展生成的距下关节活动度特征组成训练集对长短时记忆网络进行训练,得到踝关节韧带损伤智能决策模型。
本发明实施例所述的基于活动度特征的踝关节韧带损伤智能决策系统,通过采集模块采集损伤组与对照组中受试者的足踝部运动信息;构建模块根据采集的足踝部运动信息,分别构建损伤组与对照组的距下关节活动度特征空间;生成模块,用于构建深度卷积生成式对抗网络,利用所述距下关节活动度特征空间中真实的距下关节活动度特征,扩展生成损伤组与对照组的距下关节活动度特征;决策模块,用于构建长短时记忆网络,利用损伤组与对照组真实的距下关节活动度特征与扩展生成的距下关节活动度特征组成训练集对长短时记忆网络进行训练,得到踝关节韧带损伤智能决策模型。这样,在采集到的小样本受试者足踝部运动信息的基础上,利用深度卷积生成式对抗网络扩展生成符合智能决策系统多样性需求的损伤组与对照组的距下关节活动度特征,并以生成特征与小样本真实特征为训练集,生成基于长短时记忆网络的踝关节韧带损伤智能决策模型,实现小样本采集条件下的踝关节韧带损伤智能、精准的决策,以解决现有技术中存在的踝关节韧带损伤决策中存在的智能、精准的决策系统短缺的问题。
在前述基于活动度特征的踝关节韧带损伤智能决策系统的具体实施方式中,进一步地,所述采集模块,具体用于基于海德堡足部测量方法,建立覆盖膝关节、踝关节、足部三个部分12个骨性标志点的足踝部运动测量模型;基于所述足踝部运动测量模型,通过光学运动捕捉系统(例如,基于红外摄像机的光学运动捕捉系统)采集损伤组与对照组中受试者在自然行走过程中的足踝部运动信息,以实现受试者在自然行走过程中距下关节的活动度的精细化描述;其中,
膝关节的骨性标志点包括:沿膝关节弯曲轴最大距离方向的膝关节内侧和外侧标记点(MEP、LEP)共2个骨性标志点;
踝关节的骨性标志点包括:沿踝骨转动轴最大距离方向的内踝标记点和沿踝骨转动轴最大距离方向的外踝标记点(MML、LML)共2个骨性标志点;
足部的骨性标志点包括:跟骨内、外、背侧最凸出位置标记点(MCL、LCL、CCL),从矢状面观察轴线与地面约成45°的舟骨标记点(NAV),第1、5跖骨近端标记点(PMT1、PMT5)和远端标记点(DMT1、DMT5)共8个骨性标志点,其中,1指大拇趾,5指小趾。
本实施例中,跖骨近端为跖骨靠近楔状骨端,跖骨远端为跖骨靠近趾骨端,也就说,PMT1、PMT5到楔状骨端的距离小于预设的第一距离阈值,DMT1、DMT5到趾骨端的距离小于预设的第二距离阈值。
在前述基于活动度特征的踝关节韧带损伤智能决策系统的具体实施方式中,进一步地,所述系统还包括:
预处理模块,用于对采集模块采集到的足踝部运动信息进行预处理;其中,
所述预处理模块,具体用于对采集模块采集的足踝部运动信息进行低通数字滤波;依据人体步态的共性特征及受试者个体实际运动情况,将滤波处理后的足踝部运动信息按照跟骨背侧标记点空间坐标位置进行步态周期自动分割;将每个步态周期内的采样点个数进行标准化处理。
本实施例中,如图2所示,所述预处理模块的工作流程为:
A1,对采集模块采集的足踝部运动信息进行低通数字滤波;
本实施例中,由于基于红外摄像机的光学运动捕捉系统所采集得到的足踝部原始运动信息中无可避免地存在着高频噪声,因此,可以采用一阶零延时巴特沃斯低通滤波器对采集的足踝部原始运动信息进行数字滤波,采样频率100Hz,通带的截止频率0.01Hz,阻带的截止频率20Hz,用于平滑高频噪声,降低原始运动信息中的干扰信息,例如,降低采集系统、环境、标记点(Marker)移位、遮挡等因素所造成的噪声。
A2,依据人体步态的共性特征及受试者个体实际运动情况,将滤波处理后的足踝部运动信息按照跟骨背侧(CCL)标记点空间坐标位置进行步态周期自动分割;
本实施例中,建立具有个体针对性的步态周期自动分割方法,如图3所示,将自然步行过程按步态周期进行分割,具体分割方法为:
足跟着地是上一步态周期结束,当前步态周期开始的主要标志,从空间运动特征来看,此刻足跟背侧到达整个步态运动中的一个极低点,因此,本实施例中,以位于跟骨背侧的CCL标记点在空间固定坐标系下Z轴方向上的极小值点作为量化分割点划分步态周期。
A3,将每个步态周期内的采样点个数进行标准化处理。
本实施例中,构建基于比例插值的步态周期采样点标准化处理方法,将每个步态周期内的采样点个数进行标准化处理,具体方法为:
按步态周期相对时间轴从起始(零时刻)到结束等分为100个新采样点,如果新采样点与原采样点时间重合,则新采样点的值与原值相等;如果新采样点与原采样点时间不重合,则新采样点的值为:
其中,s′为新采样点的值,t′为新采样点的时间点,tn和tn+1分别为与新采样点时间点t′前后临近的两个原采样时间点,sn和sn+1分别为原采样时间点tn和tn+1所对应的值。
在前述基于活动度特征的踝关节韧带损伤智能决策系统的具体实施方式中,进一步地,所述构建模块,用于根据预处理后的足踝部运动信息,提取针对踝关节韧带损伤的距下关节活动度特征,分别构建损伤组与对照组的距下关节活动度特征空间。
本实施例中,如图4所示,提取的距下关节活动度特征包括:胫-距骨屈曲角度、前足-跟外展角度、足部内侧拱角、足部外侧拱角、距下旋转角度、前足-踝旋外角度、内-外足中旋角和踝-跟伸缩距离这8个维度;其中,
A)胫-距骨屈曲角度,具体为:以内踝标记点(MML)到外踝标记点(LML)为转动轴,从内外侧踝标记点(MML、LML)连接线中点到内外侧髁标记点(MEP、LEP)连接线中点构成的胫骨轴在转动轴垂直平面上的投影和从P点到舟骨标记点(NAV)构成的距骨轴在转动轴垂直平面上的投影之间的夹角,其中,P=(2×LCL+MCL+CCL)/4;
B)前足-跟外展角度,具体为:以内踝标记点(MML)到外踝标记点(LML)为转动轴,从第1跖骨远端标记点(DMT1)到第5跖骨远端标记点(DMT5)构成的前足轴在转动轴垂直平面上的投影和从跟骨内侧标记点(MCL)到跟骨外侧标记点(LCL)构成的跟骨轴在转动轴垂直平面上的投影之间的夹角;
C)足部内侧拱角,具体为:从舟骨标记点(NAV)到第1跖骨远端标记点(DMT1)构成的前段足内侧轴和从舟骨标记点(NAV)到跟骨内侧标记点(MCL)构成的后段足内侧轴之间的夹角,其中,转动轴为前段足内侧轴与后段足内侧轴的公垂线;
D)足部外侧拱角,具体为:以第1跖骨近端标记点(PMT1)到第5跖骨近端标记点(PMT5)为转动轴,从第5跖骨近端标记点(PMT5)到第5跖骨远端标记点(DMT5)构成的前段足外侧轴在转动轴垂直平面上的投影和从第5跖骨近端标记点(PMT5)到跟骨外侧标记点(LCL)构成的后段足外侧轴在转动轴垂直平面上的投影之间的夹角;
E)距下旋转角度,具体为:以P点到舟骨标记点(NAV)为转动轴,从内踝标记点(MML)到外踝标记点(LCL)构成的踝关节轴线在转动轴垂直平面上的投影和从跟骨内侧标记点(MCL)到跟骨外侧标记点(LCL)构成的跟部轴线在转动轴垂直平面上的投影之间的夹角;
F)前足-踝旋外角度,具体为:以P点到舟骨标记点(NAV)为转动轴,从内踝标记点(MML)到外踝标记点(LCL)构成的踝关节轴线在转动轴垂直平面上的投影和从第1跖骨远端标记点(DMT1)到从第5跖骨远端标记点(DMT5)构成的前足轴线在转动轴垂直平面上的投影之间的夹角;
G)内-外足中旋角,具体为:以中段足中点(由舟骨标记点(NAV)和第1、5跖骨近端标记点(PMT1、PMT5)构成的三角形中心)到前足中点((3×DMT1+2×DMT5)/5)连接线和第1、5跖骨远端标记点(DMT1、DMT5)连接线的平行线所构成平面的垂直向上方向为转动轴,从第1跖骨近端标记点(PMT1)到第1跖骨远端标记点(DMT1)构成的内足轴线在转动轴垂直平面上的投影和从第5跖骨近端标记点(PMT5)到第5跖骨远端标记点(DMT5)构成的外足轴线在转动轴垂直平面上的投影之间的夹角;
H)踝-跟伸缩距离,具体为:外踝标记点(LCL)与跟骨外侧标记点(LCL)之间的距离。
本实施例中,上述8个维度的特征构成具有人体运动测量依据的距下关节活动度特征空间。
在前述基于活动度特征的踝关节韧带损伤智能决策系统的具体实施方式中,进一步地,所述生成模块,具体用于将构建的距下关节活动度特征空间中真实的距下关节活动度特征进行拼接,形成多维特征矩阵;构建活动度特征生成器,将随机噪声进行拟合初步生成距下关节活动度特征;构建活动度特征判别器,将初步生成的距下关节活动活动度特征与多维特征矩阵中真实的距下关节活动活动度特征进行判别比较,计算其损失函数,反馈给生成器;根据反馈结果优化生成器权重,将初步生成的距下关节活动度特征进行进一步拟合并再次判别,反复迭代,直到生成符合判别器要求的损伤组与对照组的距下关节活动度特征为止。
如图5所示,本实施例中,采用的深度卷积生成式对抗网络进行距下关节活动度特征生成,该网络包含判别器和生成器两个部分,且判别器和生成器结构对称,该网络使用微步卷积层(fractional-strided convolution layer)代替了传统生成式对抗网络中的上采样层,以增加训练的稳定性。图5中,Linear表示线性变换,Reshape表示矩阵变换,Deconv(Deconvolution)表示反卷积,ReLU(Rectified Linear Unit)表示线性整流函数,Tanh表示双曲正切激活函数,Softmax函数层表示归一化指数函数层,LSTM Unit表示长短时记忆网络单元,S(State)表示状态,基于LSTM网络的分类器是指“基于长短时记忆网络的踝关节韧带损伤智能决策模型”。
本实施例中,微步卷积层中的微步卷积是指步长大于1的卷积操作。
本实施例中,基于深度卷积生成式对抗网络的距下关节活动度特征生成对抗过程具体如下:
本实施例中,利用距下关节活动度特征空间中真实的距下关节活动度特征(真实样本集X)及所述DCGAN中生成器与判别器之间生成与对抗的方式反复迭代优化生成特征质量,直到生成符合判别器要求的损伤组与对照组的距下关节活动度特征为止,这样,在小样本真实运动信息采集的基础上,通过对抗生成的方式在扩充距下关节活动度特征数量的同时,增强特征样本多样性,以满足踝关节韧带损伤智能决策模型及系统的训练集需求。
在前述基于活动度特征的踝关节韧带损伤智能决策系统的具体实施方式中,进一步地,所述决策模块,具体用于损伤组与对照组真实的距下关节活动度特征与生成的符合判别器要求的距下关节活动度特征-随机组合在一起,形成踝关节韧带损伤智能决策模型的训练集;构建长短时记忆网络,将训练集输入到构建的长短时记忆网络中,学习从距下关节活动度特征到损伤决策的映射关系;优化长短时记忆网络的参数,衡量输出结果与真实结果之间的差距并再次学习,反复迭代,直到输出符合其损失函数要求的判别结果为止;
其中,所述参数包括:训练次数、批大小、长短时记忆网络层数和隐藏层中节点的数目。
如图5所示,本实施例采用长短时记忆网络进行踝关节韧带损伤的智能决策,该网络具有链式结构,在链式结构中的每个长短时记忆单元(LSTM Unit)结构重复,单元的状态在链式结构中依次传递,只与网络进行少量的线性交互,信息易于在LSTM单元之间流动,因此,该网络结构具有较好的时序记忆性。
本实施例中,每个单元中由四步操作组成,具体包括:
①将上一单元的输出ht-1和当前单元输入xt输入到忘记门限层,该门限层由一个sigmoid函数控制,输出一个0到1之间的数到上一单元状态Ct-1中,其中,1表示完整保留这个输入,0表示将这个输入完全删除,用于决定丢弃上一单元中的哪些信息;
②将上一单元的输出ht-1和当前单元输入xt同时输入到一个tanh层(用于创建一个新的候选向量C′t作为加入到当前单元的新信息)和输入门限层(由一个sigmoid函数控制),用于决定存储哪些新的信息到当前单元中;
③组合步骤②中的两部分,在当前单元中产生一个新状态Ct;
④将上一单元的输出ht-1和当前单元输入xt同时输入到一个sigmoid层,输出一个0到1之间的数,用于决定当前单元哪些状态需要输出,而后,将新状态Ct输入到一个tanh层进行处理,输出-1到1之间的值,并将其与sigmoid层输出相乘,产生当前单元的输出状态。
本实施例中,基于长短时记忆网络的踝关节韧带损伤智能决策过程具体如下:
本实施例中,按照上述步骤优化长短时记忆网络的参数,衡量输出结果与真实结果之间的差距并再次学习,反复迭代,直到输出符合其损失函数要求的判别结果为止,以此实现小样本采集条件下的精确的踝关节韧带损伤智能决策,解决智能、精准的决策方法缺失的问题。
本实施例中,经多次调整参数实验所得结果可知基于长短时记忆网络的踝关节韧带损伤智能决策模型的参数选择与分类准确率关系,如表1所示。
表1踝关节韧带损伤智能决策模型的参数选择与分类准确率关系
epoch | batchsize | layers | hidden_size | 准确率 |
300 | 64 | 2 | 256 | 77.95% |
300 | 64 | 2 | 512 | 76.80% |
300 | 64 | 4 | 256 | 70.04% |
400 | 64 | 2 | 256 | 81.24% |
500 | 64 | 2 | 256 | 92.13% |
600 | 64 | 2 | 256 | 91.88% |
表1中,epoch为使用训练集中的全部样本训练的次数;batchsize为批大小,即每次训练在训练集中取batchsize个样本进行训练;layers为长短时记忆网络层数;hidden_size为隐藏层中节点的数目。
在前述基于活动度特征的踝关节韧带损伤智能决策系统的具体实施方式中,进一步地,所述系统还包括:
验证模块,用于验证模块,用于构建受试者工作特征曲线,通过受试者工作特征曲线下面积确定决策的正确率。
在前述基于活动度特征的踝关节韧带损伤智能决策系统的具体实施方式中,进一步地,所述验证模块,具体用于构建踝关节韧带损伤智能决策模型的混淆矩阵;根据构建的混淆矩阵,计算踝关节韧带损伤智能决策方法的敏感性和特异性,以敏感性为纵坐标、错误命中率为横坐标,绘制受试者工作特征曲线,通过受试者工作特征曲线下面积确定决策的正确率,其中,错误命中率=1-特异性。
本实施例中,所述验证模块的工作流程包括:
B1、构建踝关节韧带损伤智能决策模型的混淆矩阵;
本实施例中,混淆矩阵以矩阵的形式将数据集中的记录按照真实的类别与决策模型预测的类别进行汇总,其中,矩阵的行表示真实值,矩阵的列表示预测值,决策模型的混淆矩阵形式如表2所示:
表2踝关节韧带损伤智能决策模型的混淆矩阵
表2中,TP(True Positive,真阳性):表示将踝关节韧带正常预测为正常的数量;FN(False Negative,假阴性):表示将踝关节韧带正常预测为损伤的数量;FP(FalsePositive,假阳性):表示将踝关节韧带损伤预测为正常的数量;TN(True Negative,真阴性):表示将踝关节韧带损伤预测为损伤的数量。
B2、根据构建的混淆矩阵,计算踝关节韧带损伤智能决策方法的敏感性和特异性,以敏感性为纵坐标、错误命中率为横坐标,绘制受试者工作特征(ROC)曲线,其中,错误命中率=1-特异性;
本实施例中,由混淆矩阵可进一步计算得到四个数据,具体包括:
①准确率(Accuracy,ACC),用于计算决策模型所有判断正确的结果占总观测值的比重,其中,
②精确率(Precision,PPV),用于计算决策模型判断是踝关节韧带正常的所有结果中,预测正确的比重,其中,
③敏感性(Sensitivity,TPR),用于计算真实值是踝关节韧带正常的所有结果中,预测正确的比重,其中,
④特异性(Specificity,TNR),用于计算真实值是踝关节韧带损伤的所有结果中,预测正确的比重,其中,
以敏感性(TPR)为纵坐标、错误命中率(FPR)(FPR=1-TNR)为横坐标,构建受试者工作特征曲线,该曲线通过构图法反映了敏感性和错误命中率之间的关系,如图6所示,图6中,HTM(Hierarchical Temporal Memory)表示层级实时记忆学习算法。
B3、通过计算受试者工作特征曲线下面积(Area Under Curve,AUC)确定决策的正确率,以验证踝关节韧带损伤智能决策模型的有效性,其中,AUC值越大,则表明决策的正确率越高。
综上,本发明实施例提供的基于活动度特征的踝关节韧带损伤智能决策系统是一种在小样本数据采集的基础上进行踝关节韧带损伤决策的智能辅助系统,所涉及的足踝部小样本运动信息来源于基于红外摄像机的光学运动捕捉系统,在此基础上经数据预处理后,针对损伤组与对照组分别构建距下关节活动度特征空间,进而基于得到的距下关节活动度特征空间中的特征,利用深度卷积生成式对抗网络扩展生成符合智能决策系统多样性需求的损伤组与对照组的距下关节活动度特征,并以生成特征与小样本真实特征为训练集,生成基于长短时记忆网络的踝关节韧带损伤智能决策模型,实现针对踝关节韧带损伤的智能、精准的决策,并对其有效性进行验证,有效提升足踝距下关节活动度特征精准化描述水平,实现量化、精确的踝关节韧带损伤决策的同时,进而为量化、综合、便捷踝关节韧带损伤的决策提供一种新型、优质、高效的智能化辅助工具。
本发明实施例提供的基于活动度特征的踝关节韧带损伤智能决策系统,可以广泛应用于踝关节韧带损伤的急性期决策、康复期测评、智能辅具研制等多个相关方面,通过构建量化、精准的“解释医学”决策模型及系统,同时也为踝关节康复辅具研制、下肢外骨骼机器人研发等相关领域的研究与应用提供了必要的人体测量学依据,助力我国相关领域临床医学的发展。
本发明实施例提供的基于活动度特征的踝关节韧带损伤智能决策系统结合先进智能科学技术为国内运动医学与康复事业引入学科交叉式新思维,有助于探索与建立“医工结合”模式下完备的面向运动损伤患者的智能服务理论与算法,有助于提升我国医疗器械、健康交互装备等领域的标准化、流程化工程应用及创新建设水平,对于加强“新一代人工智能”在医疗领域的新技术、新业态、新模式具有重要的理论意义,同时,对于我国智能化医疗服务建设具有促进作用。
还需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于活动度特征的踝关节韧带损伤智能决策系统,其特征在于,包括:
采集模块,用于采集损伤组与对照组中受试者的足踝部运动信息;
构建模块,用于根据采集的足踝部运动信息,分别构建损伤组与对照组的距下关节活动度特征空间;
生成模块,用于构建深度卷积生成式对抗网络,利用所述距下关节活动度特征空间中真实的距下关节活动度特征,扩展生成损伤组与对照组的距下关节活动度特征;
决策模块,用于构建长短时记忆网络,利用损伤组与对照组真实的距下关节活动度特征与扩展生成的距下关节活动度特征组成训练集对长短时记忆网络进行训练,得到踝关节韧带损伤智能决策模型;
其中,所述生成模块,具体用于将构建的距下关节活动度特征空间中真实的距下关节活动度特征进行拼接,形成多维特征矩阵;构建活动度特征生成器,将随机噪声进行拟合初步生成距下关节活动度特征;构建活动度特征判别器,将初步生成的距下关节活动活动度特征与多维特征矩阵中真实的距下关节活动活动度特征进行判别比较,计算其损失函数,反馈给生成器;根据反馈结果优化生成器权重,将初步生成的距下关节活动度特征进行进一步拟合并再次判别,反复迭代,直到生成符合判别器要求的损伤组与对照组的距下关节活动度特征为止。
2.根据权利要求1所述的基于活动度特征的踝关节韧带损伤智能决策系统,其特征在于,所述采集模块,具体用于基于海德堡足部测量方法,建立覆盖膝关节、踝关节、足部的足踝部运动测量模型;基于所述足踝部运动测量模型,通过光学运动捕捉系统采集损伤组与对照组中受试者在自然行走过程中的足踝部运动信息。
3.根据权利要求2所述的基于活动度特征的踝关节韧带损伤智能决策系统,其特征在于,所述膝关节的骨性标志点包括:沿膝关节弯曲轴最大距离方向的膝关节内侧和外侧标记点;
踝关节的骨性标志点包括:沿踝骨转动轴最大距离方向的内踝标记点和沿踝骨转动轴最大距离方向的外踝标记点;
足部的骨性标志点包括:跟骨内、外、背侧最凸出位置标记点,从矢状面观察轴线与地面约成45°的舟骨标记点,第1、5跖骨近端标记点和远端标记点,其中,1指大拇趾,5指小趾。
4.根据权利要求1所述的基于活动度特征的踝关节韧带损伤智能决策系统,其特征在于,所述系统还包括:
预处理模块,用于对采集模块采集到的足踝部运动信息进行预处理;其中,
所述预处理模块,具体用于对采集模块采集的足踝部运动信息进行低通数字滤波;依据人体步态的共性特征及受试者个体实际运动情况,将滤波处理后的足踝部运动信息按照跟骨背侧标记点空间坐标位置进行步态周期自动分割;将每个步态周期内的采样点个数进行标准化处理。
5.根据权利要求4所述的基于活动度特征的踝关节韧带损伤智能决策系统,其特征在于,所述构建模块,用于根据预处理后的足踝部运动信息,提取针对踝关节韧带损伤的距下关节活动度特征,分别构建损伤组与对照组的距下关节活动度特征空间。
6.根据权利要求1所述的基于活动度特征的踝关节韧带损伤智能决策系统,其特征在于,提取的距下关节活动度特征包括:胫-距骨屈曲角度、前足-跟外展角度、足部内侧拱角、足部外侧拱角、距下旋转角度、前足-踝旋外角度、内-外足中旋角和踝-跟伸缩距离。
7.根据权利要求1所述的基于活动度特征的踝关节韧带损伤智能决策系统,其特征在于,所述决策模块,具体用于将损伤组与对照组真实的距下关节活动度特征与生成的符合判别器要求的距下关节活动度特征进行组合,形成踝关节韧带损伤智能决策模型的训练集;构建长短时记忆网络,将训练集输入到构建的长短时记忆网络中,学习从距下关节活动度特征到损伤决策的映射关系;优化长短时记忆网络的参数,衡量输出结果与真实结果之间的差距并再次学习,反复迭代,直到输出符合其损失函数要求的判别结果为止;
其中,所述参数包括:训练次数、批大小、长短时记忆网络层数和隐藏层中节点的数目。
8.根据权利要求1所述的基于活动度特征的踝关节韧带损伤智能决策系统,其特征在于,所述系统还包括:
验证模块,用于验证模块,用于构建受试者工作特征曲线,通过受试者工作特征曲线下面积确定决策的正确率。
9.根据权利要求8所述的基于活动度特征的踝关节韧带损伤智能决策系统,其特征在于,所述验证模块,具体用于构建踝关节韧带损伤智能决策模型的混淆矩阵;根据构建的混淆矩阵,计算踝关节韧带损伤智能决策方法的敏感性和特异性,以敏感性为纵坐标、错误命中率为横坐标,绘制受试者工作特征曲线,通过受试者工作特征曲线下面积确定决策的正确率,其中,错误命中率=1-特异性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010606588.0A CN111820902B (zh) | 2020-06-29 | 2020-06-29 | 一种基于活动度特征的踝关节韧带损伤智能决策系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010606588.0A CN111820902B (zh) | 2020-06-29 | 2020-06-29 | 一种基于活动度特征的踝关节韧带损伤智能决策系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111820902A CN111820902A (zh) | 2020-10-27 |
CN111820902B true CN111820902B (zh) | 2021-07-09 |
Family
ID=72899479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010606588.0A Active CN111820902B (zh) | 2020-06-29 | 2020-06-29 | 一种基于活动度特征的踝关节韧带损伤智能决策系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111820902B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115281662B (zh) * | 2022-09-26 | 2023-01-17 | 北京科技大学 | 一种慢性踝关节不稳智能辅助诊断系统 |
CN117731243A (zh) * | 2024-02-19 | 2024-03-22 | 北京大学第三医院(北京大学第三临床医学院) | 基于步态数据特征的足部运动损伤辅助诊断方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105286875A (zh) * | 2015-11-24 | 2016-02-03 | 龙岩学院 | 一种辅助筛查前交叉韧带损伤的步态分析方法 |
CN106546161A (zh) * | 2016-10-17 | 2017-03-29 | 北京科技大学 | 一种弹性可穿戴应变传感器及其制备方法 |
CN108309429A (zh) * | 2018-02-06 | 2018-07-24 | 中国人民解放军陆军军医大学第附属医院 | 一种个体化距下关节融合术导板及其制造方法 |
CN108685603A (zh) * | 2018-08-08 | 2018-10-23 | 北京大学第三医院 | 一种距骨钻孔器械 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040193075A1 (en) * | 2003-03-25 | 2004-09-30 | Michael Martindale | System for foot assessment including a device and method |
US20050197711A1 (en) * | 2004-03-03 | 2005-09-08 | Cachia Victor V. | Catheter deliverable foot implant and method of delivering the same |
CN100589757C (zh) * | 2006-09-01 | 2010-02-17 | 上海市普陀区中心医院 | 一种测试骨间关节运动度变化的方法 |
CN200951128Y (zh) * | 2006-09-19 | 2007-09-26 | 刘华水 | 一种距下关节融合器 |
US8479405B2 (en) * | 2010-09-30 | 2013-07-09 | Marie Smirman | Measurement system for varus/valgus angles in feet |
US20180020954A1 (en) * | 2016-07-20 | 2018-01-25 | L & C Orthopedics, Llc | Method and system for automated biomechanical analysis of bodily strength and flexibility |
CN109543912B (zh) * | 2018-11-29 | 2021-10-01 | 中国水利水电科学研究院 | 基于深度学习的水库最优调度决策模型生成方法 |
CN109645995B (zh) * | 2019-01-16 | 2021-09-07 | 杭州电子科技大学 | 基于肌电模型和无迹卡尔曼滤波的关节运动估计方法 |
CN210472341U (zh) * | 2019-01-23 | 2020-05-08 | 贵州省人民医院 | 一种韧带损伤康复护理装置 |
CN110348321A (zh) * | 2019-06-18 | 2019-10-18 | 杭州电子科技大学 | 基于骨骼时空特征及长短时记忆网络的人体动作识别方法 |
CN111150403A (zh) * | 2019-12-09 | 2020-05-15 | 重庆百会体育产业有限公司 | 一种足踝运动检测系统 |
CN111329488B (zh) * | 2020-03-05 | 2021-02-02 | 北京科技大学 | 针对踝关节韧带损伤的步态特征提取与生成方法及系统 |
-
2020
- 2020-06-29 CN CN202010606588.0A patent/CN111820902B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105286875A (zh) * | 2015-11-24 | 2016-02-03 | 龙岩学院 | 一种辅助筛查前交叉韧带损伤的步态分析方法 |
CN106546161A (zh) * | 2016-10-17 | 2017-03-29 | 北京科技大学 | 一种弹性可穿戴应变传感器及其制备方法 |
CN108309429A (zh) * | 2018-02-06 | 2018-07-24 | 中国人民解放军陆军军医大学第附属医院 | 一种个体化距下关节融合术导板及其制造方法 |
CN108685603A (zh) * | 2018-08-08 | 2018-10-23 | 北京大学第三医院 | 一种距骨钻孔器械 |
Non-Patent Citations (3)
Title |
---|
Clinical Guidelines for the Surgical Management of Chronic Lateral Ankle Instability: A Consensus Reached by Systematic Review of the Available Data;Song, Yujie; Li, Hongyun; Sun, Chao; Zhang, Jian;;《Orthopaedic Journal of Sports Medicine》;20190930;第1-12页 * |
距下关节的生物力学;盛为;《医用生物力学》;19970330;第55-58页 * |
踝关节外侧副韧带损伤的研究现状;王安鸿,郭秦炜;《足踝外科电子杂志》;20190320;第35-40页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111820902A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108209924B (zh) | 一种前交叉韧带断裂后步态特征的分析方法 | |
CN104008398B (zh) | 一种基于多传感器信息融合的步态分类方法 | |
CN111329488B (zh) | 针对踝关节韧带损伤的步态特征提取与生成方法及系统 | |
CN111820902B (zh) | 一种基于活动度特征的踝关节韧带损伤智能决策系统 | |
CN108960155A (zh) | 基于Kinect的成人步态提取与异常分析方法 | |
Kour et al. | A survey of knee osteoarthritis assessment based on gait | |
Beynon et al. | Classification of osteoarthritic and normal knee function using three-dimensional motion analysis and the Dempster-Shafer theory of evidence | |
Loslever et al. | Combined statistical study of joint angles and ground reaction forces using component and multiple correspondence analysis | |
CN115346670A (zh) | 基于姿态识别的帕金森病评级方法、电子设备及介质 | |
Huang et al. | Feature Selection, Construction, and Validation of a Lightweight Model for Foot Function Assessment During Gait With In-Shoe Motion Sensors | |
Onal et al. | Predicting running injury using kinematic and kinetic parameters generated by an optical motion capture system | |
Wang et al. | Assessment of gait characteristics in total knee arthroplasty patients using a hierarchical partial least squares method | |
Dobos et al. | Validation of pitchAITM markerless motion capture using marker-based 3D motion capture | |
CN106063707A (zh) | 基于手各个部位在三维空间位置变化的手功能评价方法 | |
CN115281662B (zh) | 一种慢性踝关节不稳智能辅助诊断系统 | |
Rodrigo et al. | Application of Kohonen maps to kinetic analysis of human gait | |
Zeng et al. | Classification of gait patterns using kinematic and kinetic features, gait dynamics and neural networks in patients with unilateral anterior cruciate ligament deficiency | |
Bassett et al. | The signed helical angle: A technique for characterizing midfoot motion during gait | |
Huang et al. | Healthcare application of in-shoe motion sensor for older adults: Frailty assessment using foot motion during gait | |
CN117731243A (zh) | 基于步态数据特征的足部运动损伤辅助诊断方法及系统 | |
CN110755084A (zh) | 基于主被动、分阶段动作的运动功能评估方法及设备 | |
Kluge | Instrumented gait analysis in osteoarthritis: From lab towards ambulatory systems | |
JP7174386B2 (ja) | 情報処理装置、有用パラメータ選択方法及びプログラム | |
Bautista et al. | Fuzzy cognitive map to classify plantar foot alterations | |
Molaviaan et al. | Artificial Intelligence Approach in Biomechanical Analysis of Gait. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |